面向一般响应类型的基于模型的因果特征选择
统计方法学
2024-09-06 v4 统计理论
机器学习
统计理论
摘要
从观测数据中发现因果关系是基础且具有挑战性的任务。不变因果预测（ICP，Peters 等，2016）是一种因果特征选择方法，其需要来自异质环境的数据并利用因果模型的不变性。ICP 已被推广至一般加性噪声模型，以及使用条件独立性检验的非参数设置。然而，后者常受限于低功效（或较差的一类错误控制），且加性噪声模型不适用于响应非连续尺度测量、而是反映类别或计数的应用。在此，我们发展基于变换模型（TRAM）的 ICP，允许连续、类别、计数型及非信息删失响应（这些模型类一般在无外生异质性时不可辨识）。作为不变性检验，我们提出 TRAM-GCM，基于环境与得分残差间的期望条件协方差，具有一致的渐近水平保证。对于线性偏移 TRAM 的特殊情形，我们还考虑 TRAM-Wald，其基于 Wald 统计量检验不变性。我们提供了开源 R 包 'tramicp'，并在模拟数据及一项探究危重患者生存因果特征案例研究中评估了我们的方法。
引用
@article{arxiv.2309.12833,
title = {Model-based causal feature selection for general response types},
author = {Lucas Kook and Sorawit Saengkyongam and Anton Rask Lundborg and Torsten Hothorn and Jonas Peters},
journal= {arXiv preprint arXiv:2309.12833},
year = {2024}
}
备注
Code available at https://github.com/LucasKook/tramicp.git